Ref
- Awesome Detection paper+ranking [url]
- Awesome Object Detection
1. Review
-
Object Detection in 20 Years: A Survey
时间:2019年5月
作者:密歇根大学&北航&卡尔顿大学&滴滴出行
-
A Survey of Deep Learning-based Object Detection
时间:2019年7月
作者:西安电子科技大学
-
Recent Advances in Deep Learning for Object Detection
时间:2019年8月
作者:新加坡管理大学&Salesforce
-
Imbalance Problems in Object Detection: A Review
时间:2019年9月
作者:中东技术大学
目标检测中小目标的检测方法总结
-
传统的图像金字塔和多尺度滑动窗口检测
-
简单粗暴又可靠的Data Augmentation
-
特征融合的FPN
-
合适的训练方法SNIP, SNIPER, SAN
-
更稠密的Anchor采用和匹配策略S3FD, FaceBoxed
-
先生成放大特征再检测
One-Stage Methods
[ECCV2016] SSD:Single Shot MultiBox Detector [paper]
Two-Staged Methods
(NIPS 2015) Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks [paper] [pytorch]
模型训练 [ref]
- 使用预训练模型初始化共享卷积层并训练RPN
- 使用上一步得到的RPN参数生成ROI proposal,再使用预训练的模型初始化共享卷积层,训练Fast RCNN部分(分类器和ROI边框修订)
- 将训练后的共享卷积层参数固定,同时将Fast RCNN的参数固定,训练RPN。(从这一步开始,共享卷积层的参数真正被两大块卷积网络共享)
- 同样将共享卷积层参数固定,并将RPN的参数固定,训练Fast R-CNN部分。
模型测试
- 首先通过RPN生成约20000(pixels*9)个anchor
- 对20000个anchor进行第一次边框修正,得到修订边框后的Proposal
- 对超过图像边界的proposal的边进行clip,使得该proposal不超过图像范围
- 忽略掉长或者宽太小的proposal
- 将所有proposal按照前景分数从高到低排序,选取前6000个proposal
- 使用阈值为0.7的NMS算法排除掉重叠的proposal
- 针对上一步剩下的proposal,选取前300个proposal进行分类和二次边框修正
Multi-Stage Methods
(CVPR 2019)Hybrid Task Cascade for Instance Segmentation [paper] [mmdetection]
(CVPR2018) Cascade R-CNN: Delving Into High Quality Object Detection[paper]
图(a)是Faster RCNN;
图(b)是迭代式bbox回归,前一个检测模型回归到的bbox坐标初始化下一个检测模型的bbox,然后继续回归,这样迭代后得到结果;
图©是Integral Loss,表示对输出bbox的标签界定采取不同的IOU阈值,因为当IOU较高时,虽然预测得到的bbox很准确,但是会丢失一些有用的bbox;
图(d)是Cascade RCNN,是b和c两种思想的结合。